1.一种基于改进CenterNet的绝缘子缺陷检测方法，该方法针对无人机获取的航拍绝缘子图像或视频进行处理，其特征在于：包括以下步骤：步骤1、编码阶段，首先在编码结构中将ResNet的残差块替换为ResNeSt卷积块；然后在特征提取网络之后加入空洞空间金字塔池化结构，形成具有多尺度特征提取的编码结构；

步骤1.1、将输入的特征分为R组，并对分离的每个R组特征使用超参数分为K组特征图组，其中每个特征图组中都有一个1×1卷积和一个3×3卷积串行连接，在进行卷积之后拼接这些特征；

步骤1.2、将R个拼接特征分两条支路，第一条支路将R个拼接特征相加，并进行全局池化、两个全连接层、激活函数后输出特征；第二条支路将R个拼接特征与获得注意力权重值的第一条支路按通道相乘实现分离注意力，并将R组分离注意力特征相加再通过1×1卷积转换通道数；

步骤1.3、沿用ResNet的短路连接，将输入特征与经过1×1卷积转换通道的特征相加；

步骤1.4、在特征提取之后加入空洞空间金子塔结构捕获绝缘子及其缺陷的多尺度特征；

步骤2、解码阶段，将ResNeSt卷积块中特征提取网络的三层特征分别级联ECA模块构成三分支的跳跃支路；然后，将三分支的跳跃支路分别与各上采样层特征经过SA模块的特征进行融合，构成双重注意力特征融合的解码结构；

步骤2.1、将编码结构中特征提取网络的Layer2、Layer3、Layer4层特征级联高效的通道注意力机制称为第一支路，将各反卷积层特征嵌入空间注意力称为第二支路；

步骤2.2、将输入第一支路的特征进行Average Pooling，得到一维特征向量，然后利用自适应卷积核大小的机制捕获输入特征的局部特征信息，最后将得到的局部特征信息激活，得到该层特征的通道关注权重值并与该层输入的初始特征逐通道相乘，输出第一支路的特征；

步骤2.3、将反卷积层特征通过全局最大池化和全局平均池化的并行分支，并将并行处理的特征相加，得到融合特征，然后将融合特征经过7×7卷积和激活函数得到该层的空间关注权重值，最后将该值与初始的输入特征逐通道相乘输出第二支路的特征；

步骤2.4、将第一支路与第二支路特征相加实现特征融合过程，使得预测网络的第一层特征既具有预测类别的通道特征，又具有精确定位的空间特征；

步骤3、预测阶段，将步骤2得到的融合特征通过三个并行的深度可分离卷积分别得到热力图预测、中心点偏移量、宽高信息，最后合并信息输出检测结果；

步骤3的实现包括：针对检测头部存在三个3×3普通卷积，利用深度可分离卷积替换三个3×3卷积，当热力图预测分支中的通道数为2类别数为2时，通过计算，将检测头的参数量降低约40％；

步骤4、训练阶段，在IOU边界框损失函数的基础上考虑预测框与真实框不重叠的情况、预测框与真实框中心点距离以及宽高比因素得到边界框回归损失函数CIOU；

步骤4所述边界框回归损失函数CIOU具体为：

式中，ρ